Timo Honkela, kutsuttu esitelmä Automaatiopäivillä 2017

Timo Honkela, 23.3.2017, Automaatiopäivät 2017, Vaasa

Timo Honkela

23.3.2017

Nykyaikainen tekoäly ymmärtämisen,

reiluuden ja tehokkuuden työkaluna

[email protected]

Automaatiopäivät 2017, Vaasa


Miten käy, jos emmehyödynnä koneita (koneoppimista)

nykyistä paremmin?

https://www.pinterest.com/pin/509680882801748515/

Emme pärjää kilpailussajunaan käyttävälle

kilpailijallemme, vaikkaannamme hevosillevähemmän kauraa,

ratsastajille pienempääpalkkaa, …

… tuotammehalvempaaenergiaa,karsimme

kustannuksia,pienennämmetyöntekijöidenpalkkoja, ...


Nykyaikainen tekoäly (1/2)

● Pyrkimyksenä matkia ihmisen älykkäitä toimintoja

● Laaja joukko menetelmiä ja tekniikoita● Työtä on tehty yli 50 vuotta eivätkä kaikki

merkitykselliset keksinnöt ole kovin uusia● Koneista tulee yhä ihmismäisempiä, mutta kyse

on yhteisevoluutiosta: ihmiset saavat kehityksen myötä uusia mahdollisuuksia; kyse ei ole ihmisten korvaamisesta kaiken kaikkiaan vaan uusista työnjaoista


Nykyaikainen tekoäly (2/2)

● Luokittelua, ryhmittelyä, tiedon tiivistämistä, (monitavoite)optimointia, dynaamisten ja kaoottisten ilmiöiden mallintamista, aikasarja-analyysia, kieli- ja käsitelejärjestelmien mallintamista, jne.

● Ihmisen osaamisen erilaisten osien matkiminen: – tiedon esittäminen, – päättely, – ongelmanratkaisu ja luovuus, – hahmontunnistus (silmät, näkö / kuva- ja videoanalyysi, korvat,

kuulo / puheentunnistus, iho, tuntoaisti / robotiikka), – kielen ja puheen tuottaminen, – tunteiden mallintaminen


Tekoälyn perinteitä

● Sumeat järjestelmät (Zadeh ym.)● Neuroverkot (Kohonen ym.)● Geneettiset algoritmit (Alander ym.)

Teoreettiset perusteet

Reaalimaailman esimerkit


Kokemuksellinen ja kielellisesti välittynyt tieto

● Jako on tunnettu pitkään– esimerkiksi Vygotsky

● Tullut suosituksi tarkastelun kohteeksi viime vuosikymmeninä– Gigerenzer, Dijksterhuis, jne.

● Tekoälyn peruslähestymistavat heijastelevat samaa jaottelua– havaintodataa käsittelevät neuroverkot versus

sääntöjärjestelmät


Deep learning

● Monikerrosneuroverkoilla tavoitellaan ihmismäistä kykyä käsitteellistää automaattisesti havaintodatasta käsitteellisiä ja kielellisiä sisältäjä

● Perinteisesti monikerrosverkkoja on opetettu ohjatusti, luojat valmiiksi antaen

● Ohjatun oppimisen haaste on tarvittavan datan suuri määrä

● Harri Valpola tutkimusryhmineen on kehittänyt menetelmiä, joita tarvitsisi ohjata mahdollisimman vähän


Kielten ymmärtämäänoppivat koneet (1/2)

● Kielellisten merkitysten mallintamiseen eivät riitä perinteiset symbolisen logiikan keinot

● Ongelmat logiikan käytössä ovat määrällisiä ja laadullisia

● Sääntöjä kokonaisen kielen merkitysten tulkitsemiseksi tarvittaisiin valtava määrä

● Säännöt eivät vastaa esittämisen tarvetta: kohteena on symbolisten rakenteiden ja dynaamisten moniulotteisten jatkuvien ilmiöiden välisiä suhteita


Kielten ymmärtämäänoppivat koneet (2/2)

● Sanojen ja ilmaisujen merkitystä voidaan mallintaa tarkastelemalla tilastollisesti niiden esiintymisyhteyksiä

● Sanat "kissa" ja "koira" tai "hyppivät kissa" ja "loikkiva koira" ovat esiintymiskonteksteiltaan ja sitä myöten oletusarvoisesti myös merkitykseltään lähempänä toisiaan kuin vaikkapa "ovi" tai "nariseva ovi".


Suomen tieteen kartta Akatemian aineistosta

(Hon

kela

& K

lam

i, 20

08)

Kemia

Luonnon- jainsinööritieteet

Bio- jaympäristötieteet

Terveystieteet

Kulttuuri- jayhteiskunta-

tieteet


Merkitysneuvotteluiden perusteet oppivia koneita

● Sanojen merkityssuhteiden tai dokumenttien aiheiden tilastollisessa mallintamisessa hyödynnetään sana-konteksti- tai sana-dokumentti -matriiseja

● Yksilö saadaan mukaan laajentamalla matriisi eli kaksisuuntainen tensori kolmisuuntaiseksi tensoriksi

● Yhdellä sivulla ovat sana (tai ilmaisut), toisella kontekstit ja kolmannella yksilöt (tai ryhmät)

● Jos saatavilla on tarpeeksi dataa, voidaan kullekin yksilölle laskea erikseen kunkin sanan merkitysten

● Useimmiten tilastollisesti datasta päätellyt merkitykset ovat lähellä toisiaan, kuten olettaa sopii, mutta läheskään aina näin ei ole


Taustaa: tulkinnan yksilöllisyydenmallintaminen (GICA-menetelmä)

● GICA-menetelmät (Grounded Intersubjective Concept Analysis) (Honkela ym. 2012) mahdollistaa mallit, joissa kunkin sanan merkitystä tarkastellaan yksilöllisesti

● Esimerkkinä USAn presidenttien puheet(State of the Union Address) ja sanan HEALTH merkityksen analyysi kontekstitietoatilastollisesti analysoide


Sanan “health” analyysi

Honkela ym. 2012


Reiluuden käsite ja toteutuma?

● Yksilöllisesti muodostetuilla voidaan määritellä tulkintaerot vaikkapa reiluus-sanan suhteen

● Jo sanan punainen tulkinnassa on selviä tilanne- ja yksilökohtaisia eroja

● Teollisesti ja yhteiskunnallisesti tärkeät sanat ovat monesti haastavia; niiden merkitys ei välttämättä ole kovinkaan hyvin jaettu ("aita ja aidan seipäät")

● Niinpä merkitysneuvottelut koneiden avulla olisi hyvä käydä ennen kuin ryhdykään keskustelemaan itse asioista


Tehokkuuden välineet

● Tehokkuutta kohti päästään erilaisilla optimoinnin keinoilla

● Tehokkuus on olennaista esimerkiksi kilpailukyvyn tai resurssiniukkuuden (kulut, ympäristöasiat) näkökulmasta

● Monitavoiteoptimoinnilla on syytä tavoittaa erilaisten intressien tasapainoja

● Nykyaikainen tekoäly tarjoaa keinoja kvantitatiivisten ja kvalitatiivisten kysymysten tarkasteluun (ks. esim. Janasik ym. 2009)

Janasik, N., Honkela, T. & H. Bruun. (2009) Text Mining in Qualitative Research: Application of an unsupervised learning method.Organizational Research Methods 12 (3). http://orm.sagepub.com/content/12/3/436.full.pdf

http://orm.sagepub.com/content/12/3/436.full.pdf


Rauhankone – konsepti ja kirjahanke

● Ymmärtäminen– merkitysneuvottelut

● Terveet ja rauhalliset tunteet● Reilu talous ja yhteiskunta


Kiitos!

Timo Honkela, kutsuttu esitelmä Automaatiopäivillä 2017

Technology

Transcript of Timo Honkela, kutsuttu esitelmä Automaatiopäivillä 2017